NVIDIA released Ising — the first open family of AI models for quantum-classical systems

14 апреля 2026 года NVIDIA представила Ising — первую открытую линейку ИИ-моделей, заточенных не под чат-ботов, а под обслуживание квантовых процессоров. Запуск нацелен на два самых болезненных узких места отрасли: калибровку квантового железа и декодирование ошибок в реальном времени, без которых путь от лабораторных демонстраций к полезным задачам остается слишком длинным. Квантовые компьютеры давно обещают прорыв, но на практике их ограничивает не только число кубитов.

Такие системы шумные, нестабильные и требуют постоянной настройки. Даже если процессор удалось откалибровать, ошибки в кубитах накапливаются быстрее, чем обычное ПО успевает их исправлять. Поэтому рядом с квантовым чипом почти всегда нужен мощный классический контур управления, который непрерывно анализирует измерения, пересчитывает параметры и помогает удерживать систему в рабочем состоянии.

Именно на эту связку «квантовый процессор плюс GPU и классический софт» NVIDIA делает ставку уже несколько лет. NVIDIA Ising выходит в двух направлениях. Первое — Ising Calibration, это визуально-языковая модель на 35 млрд параметров, обученная понимать результаты квантовых экспериментов и предлагать следующие шаги по настройке процессора.

По данным компании, вместе с агентным сценарием такая модель может сократить калибровку с дней до часов. Второе — Ising Decoding, семейство из двух 3D-CNN-моделей для предварительного декодирования ошибок при квантовой коррекции. Быстрая версия содержит около 0,9 млн параметров, точная — около 1,8 млн.

В сравнении с открытым стандартом pyMatching NVIDIA заявляет ускорение до 2,5 раза и рост точности до 3 раз, а в отдельных бенчмарках — 1,53-кратное улучшение показателя logical error rate при одновременном сокращении задержки. Важный момент в релизе — открытость не только весов, но и сопутствующего инструментария. NVIDIA выкладывает модели, обучающие фреймворки, датасеты, рецепты для квантования и дообучения, а также новый бенчмарк QCalEval для оценки калибровки на реальных данных квантовых установок.

Это нужно, потому что у разных архитектур — сверхпроводниковых, ионных, на нейтральных атомах и других — свои шумы и свои сценарии деградации. Универсальная модель здесь полезна как стартовая точка, но реальная ценность появляется тогда, когда лаборатория или вендор может адаптировать ее под собственный QPU, не вынося чувствительные данные наружу. Судя по списку партнеров, речь не о лабораторном эксперименте ради пресс-релиза.

Ising Calibration уже используют Atom Computing, IonQ, IQM, Infleqtion, Harvard SEAS, Fermilab и Национальная физическая лаборатория Великобритании. Декодирующие модели тестируют Cornell, UC San Diego, UC Santa Barbara, University of Chicago, Sandia и другие команды. Вся линейка дополняет платформу CUDA-Q для гибридных квантово-классических вычислений и связку NVQLink, через которую QPU и GPU могут обмениваться данными с низкой задержкой.

Для NVIDIA это логичный ход: компания не строит собственные квантовые процессоры, но хочет стать стандартным вычислительным слоем вокруг них — от обучения моделей до реального управления и коррекции ошибок. На более широком уровне релиз показывает, как меняется сама логика развития квантовой отрасли. Раньше основной разговор шел о числе кубитов и физических архитектурах; теперь все больше внимания уходит в управляющий софт, декодеры, телеметрию и ИИ-инструменты, которые позволяют выжать больше из уже существующего железа.

По оценке аналитиков Resonance, рынок квантовых вычислений может превысить 11 млрд долларов к 2030 году, но этот прогноз напрямую зависит от того, удастся ли индустрии научиться быстро калибровать и масштабировать системы с коррекцией ошибок. Если заявленные метрики Ising подтвердятся вне демо-сценариев, ИИ может стать не дополнительным слоем вокруг квантовых компьютеров, а обязательной операционной прослойкой между хрупкими кубитами и реальными прикладными задачами. Практический вывод простой: NVIDIA продает не «квантовый ИИ» как красивый ярлык, а инфраструктуру для того, чтобы квантовые машины реже простаивали, быстрее настраивались и дольше удерживали полезное состояние.

Для исследовательских центров и компаний это шанс сократить время экспериментов и приблизить момент, когда гибридные квантово-классические системы начнут решать не учебные, а коммерчески значимые задачи.